그래프 신경망 (GNN)을 이용한 분자 생성을 위한 멀티그리드 (Multigrid) 학습

딥러닝 (Deep learning)은 생화학적 분자 시스템을 모델링하는 데 있어 상당한 성공을 보여주었으며, 여기서 입력값은 일반적으로 그래프 (graph) 또는 3D 그리드 (3D grid)로 표현됩니다. 주요 과제는 계산 비용이 해상도 (resolution)에 따라 확장된다는 점이며, 이로 인해 분자 밀도 (molecular densities)에 대한 전체 그래프/그리드 계산은 비용이 많이 들고 종종 불안정합니다. 우리는 이산화 (discretization) 간의 파라미터 전이 (parameter transfer)를 통해 고해상도에서의 학습을 가속화하기 위해 저해상도 최적화를 활용하는 멀티그리드 (multigrid) 학습 전략을 소개합니다. 그래프 분자 표현의 경우, 편향된 랜덤 워크 업샘플링 (biased random walk upsampling)을 통해 거친 그래프 (coarse graph)에서 학습된 파라미터를 점진적으로 더 미세한 그래프 시퀀스로 전이합니다. 3D 분자 생성의 경우, 다양한 해상도에서 분자 구조를 복셀화 (voxelize)하고, 저해상도 조건부 변이형 오토인코더 (conditional Variational Autoencoder, CVAE)를 사전 학습(pretrain)한 다음, 거친 모델로부터 형태가 호환되는 컨볼루션 파라미터 (convolutional parameters)를 전이하여 고해상도 CVAE를 초기화합니다. 수용체 조건부 (receptor-conditioned) 3D 리간드 (Ligand) 생성에 대한 수치 실험 결과, 멀티그리드 학습이 처음부터 학습하는 방식에 비해 수렴을 가속화하고 일반화 (generalization) 성능을 향상시킨다는 것을 보여줍니다.